PyTorchKR Papers

최신 논문

총 2편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2606.20451v1stat.ML

SSH-Net: GPU 데이터 적용을 포함한 경쟁 위험 하의 고장 시간 분포 함수 예측을 위한 심층 신경망

SSH-Net: A Deep Neural Network for Predicting Failure Time Distribution Functions under Competing Risks with Application to GPU Data

경쟁 위험(Competing risks)은 공학 분야에서 흔히 관찰되며, 응용 시나리오가 복잡할 때 시간-사건 데이터(time-to-event data) 모델링에 어려움을 야기할 수 있습니다. 최근 심층 신경망(Deep Neural Network)은 유연성과 높은 학습 능력 덕분에 경쟁 위험 예측에 큰 주목을 받고 있습니다. 그러나 신경망 구조의 복잡성은 서로 다른 데이터 입력에 기반한 하이퍼파라미터 튜닝에 추가적인 어려움을 가져옵니다. 또한, 엔지니어링 시스템이 여러 계층 수준을 가진 복잡한 물리적 구조를 가질 때, 모든 구조 수준을 하나의 입력 그룹으로 처리하면 중요한 정보를 포착하지 못할 수 있습니다. 이러한 문제를 해결하기 위해, 우리는 원인별 경쟁 위험(cause-specific competing risks) 프레임워크 하에서 고장 시간 예측을 위한 구조화된 분할 위험 심층 신경망(Structured Segmented Hazard Deep Neural Network, SSH-Net)을 제안합니다. 우리의 접근 방식은 신경망 구조를 데이터 구조와 연결하며, 서로 다른 공변량(covariate) 그룹이 별도의 서브네트워크를 통해 고장 예측에 영향을 미치도록 합니다. 해당 신경망은 원인별 경쟁 위험 모델을 기반으로 구성됩니다. SSH-Net은 원인별 위험 함수(hazard function)를 출력하며, 손실 함수(loss function)로 페널티화된 로그 가능도(likelihood)를 활용합니다. SSH-Net의 예측 정확도는 브리어 점수(Brier score), 수신자 조작 특성 곡선 아래 면적(AUC), 그리고 예측된 원인별 누적 발생 함수(cumulative incident function)의 제곱근 평균 제곱 오차(RMSE)를 평가하여 시뮬레이션 연구를 통해 검증되었습니다. 또한 Titan GPU 고장 시간 데이터를 사용하여 고장 시간 분포 함수를 예측하는 모델의 능력을 추가로 입증합니다.

arXiv:2606.18281v1stat.AP

경쟁 위험 설정에서 조건부 평균 처치 효과 추정 가이드

A Guide to Estimating Conditional Average Treatment Effects in Competing Risks Settings

조건부 평균 처치 효과(CATEs)는 개인 맞춤형 의학(personalized medicine)에서 처치 결정의 핵심입니다. 경쟁 위험 설정(competing risks settings)에서 생존 데이터(survival data)를 통해 CATE를 추정하면, 대안적인 사건 유형을 적절히 고려하여 특정 관심 사건에 대한 처치 효과를 환자별로 평가할 수 있습니다. 동반 질환(comorbidities)이 존재하는 경우, 경쟁하는 사망 원인이 치료적 이익을 교란(confound)시킬 수 있으므로 이러한 구분은 필수적입니다. 이진 처치(binary treatment)가 있는 우측 중단 생존 시간(right-censored survival times)에 초점을 맞춰, 고정 시점에서 관심 사건의 절대 위험(absolute risk)에 대한 공변수 조건부 차이로 정의되는 CATE를 조사합니다. 이를 위해 경쟁 위험 시나리오에서 CATE 추정을 위해 기계 학습 알고리즘을 적용한 메타 학습기(meta-learners)를 연구합니다. 위험 모델링을 위해 Cox 회귀(Cox regression) 또는 랜덤 생존 포레스트(random survival forests)를, 직접 CATE 모델링을 위해 엘라스틱 넷 회귀(elastic net regression) 또는 랜덤 포레스트(random forests)를 결합한 6가지 메타 학습기를 체계적으로 비교합니다. 모델 선택(model selection)에 대한 실용적인 지침을 제공하기 위해, 위험도(hazard) 복잡성, 처치 이질성(treatment heterogeneity), 처치 배정(treatment assignment), 사건 유형 분포 및 중단(censoring)이 다른 다양한 시뮬레이션 설정에서 성능을 평가합니다. 실제 적용을 돕기 위해 고려된 모든 접근 방식을 구현하는 R 패키지인 crsurvlearners를 제공합니다.